Ιλάν Γκλακ, Διευθυντής Go-to-Market, Βόρεια Αμερική στη Digital Matter – Σειρά Συνεντεύξεων

Ο Ilan Gluck, επικεφαλής στρατηγικής διάθεσης στην αγορά για τη Βόρεια Αμερική στη Digital Matter, είναι έμπειρο στέλεχος τεχνολογίας και εμπορικής ανάπτυξης, με διαδρομή στο Διαδίκτυο των Πραγμάτων (IoT), την τεχνητή νοημοσύνη, την τεχνολογία εφοδιαστικής αλυσίδας, την ανάλυση δεδομένων και την επιχειρησιακή στρατηγική. Πριν ενταχθεί στη Digital Matter, εργάστηκε πάνω από πέντε χρόνια στις Cox 2M και GearTrack ως γενικός διευθυντής και επικεφαλής εσόδων, συμβάλλοντας σε λύσεις παρακολούθησης παγίων και ορατότητας εφοδιαστικής αλυσίδας σε πραγματικό χρόνο. Προηγουμένως ήταν γενικός διευθυντής στη Wasteless AI, όπου εργάστηκε σε δυναμική τιμολόγηση με AI για μείωση σπατάλης τροφίμων στη λιανική, και κατείχε ανώτερους ρόλους προϊόντος και εμπορικής ανάπτυξης στη WeissBeerger, εταιρεία IoT και ανάλυσης δεδομένων που εξαγοράστηκε από την AB InBev. Ξεκίνησε στη στρατηγική και τις λειτουργίες της Deloitte Consulting, αποκτώντας συνδυασμένη εμπειρία προϊόντος, εμπορικής αξιοποίησης και στρατηγικής σε αναδυόμενες τεχνολογίες.

Η Digital Matter είναι διεθνής εταιρεία υλικού IoT που ειδικεύεται σε λύσεις παρακολούθησης παγίων μεγάλης διάρκειας ζωής, παρακολούθησης αισθητήρων και τηλεματικής. Αναπτύσσει ανθεκτικές συνδεδεμένες συσκευές χαμηλής κατανάλωσης για εφοδιαστική, στόλους, εξοπλισμό, εφοδιαστικές αλυσίδες, γεωργία και περιβαλλοντικές εφαρμογές, με εκατομμύρια εγκατεστημένες συσκευές παγκοσμίως. Το υλικό υποστηρίζει τεχνολογίες εντοπισμού και συνδεσιμότητας όπως παγκόσμια δορυφορικά συστήματα πλοήγησης (GNSS), εντοπισμό μέσω Wi-Fi, Bluetooth Low Energy (BLE), IoT μέσω δικτύων κινητής, LoRaWAN και δορυφορικές συνδέσεις. Διαθέτει επίσης την πλατφόρμα Device Manager στο cloud, με την οποία πελάτες και συνεργάτες ρυθμίζουν, παρακολουθούν, ενεργοποιούν και διαχειρίζονται απομακρυσμένα συσκευές σε μεγάλη κλίμακα.

Πριν από τη Digital Matter εργαστήκατε στις GearTrack, Wasteless AI και WeissBeerger, όπου λειτουργικά δεδομένα πραγματικού χρόνου χρησιμοποιούνταν για βελτίωση εφοδιαστικών αλυσίδων, μείωση σπατάλης και καλύτερες εμπορικές αποφάσεις. Πώς διαμόρφωσε αυτή η εμπειρία την άποψή σας για το IoT ως θεμέλιο επιχειρησιακής AI;

Στις GearTrack, Wasteless AI και WeissBeerger είδα από πρώτο χέρι ότι ακόμη και η καλύτερη τεχνολογία εξαρτάται από την ποιότητα των δεδομένων που την υποστηρίζουν.

Κάθε εταιρεία έλυνε διαφορετικό πρόβλημα, αλλά κοινό στοιχείο ήταν η χρήση πληροφοριών πραγματικού χρόνου από τον φυσικό κόσμο για καλύτερες αποφάσεις. Αυτό μπορεί να σήμαινε γνώση της θέσης αποθεμάτων, εντοπισμό κινδύνου σπατάλης πριν προκύψει ή ταχύτερη ανταπόκριση στις πραγματικές αλλαγές της λειτουργίας.

Αυτές οι εμπειρίες διαμόρφωσαν τον τρόπο που βλέπω IoT και AI. Πολλές πολύτιμες λειτουργικές πληροφορίες ακόμη δεν καταγράφονται στα παραδοσιακά επιχειρηματικά συστήματα. Βρίσκονται σε οχήματα, εξοπλισμό, αποθέματα, εγκαταστάσεις και εφοδιαστικές αλυσίδες. Το IoT μετατρέπει αυτή τη φυσική δραστηριότητα σε αξιοποιήσιμα δεδομένα.

Για μένα, αυτό το κάνει κρίσιμο θεμέλιο της επιχειρησιακής AI. Της δίνει σαφέστερη και πιο επίκαιρη εικόνα της πραγματικής λειτουργίας. Αντί οι εταιρείες να κοιτούν μόνο ιστορικές αναφορές, μπορούν να εντοπίζουν μοτίβα, να προβλέπουν προβλήματα και να αποφασίζουν καλύτερα σε πραγματικό χρόνο.

Πολλές εταιρείες εκπαιδεύουν μοντέλα AI στα ίδια δημόσια σύνολα δεδομένων με τους ανταγωνιστές τους. Γιατί πιστεύετε ότι τα ιδιόκτητα λειτουργικά δεδομένα γίνονται σημαντικότερη πηγή διαφοροποίησης;

Ίδια δεδομένα εισόδου, ίδια συμπεράσματα. Καθώς η πρόσβαση στα μοντέλα AI διευρύνεται, τα ίδια τα μοντέλα γίνονται όλο και περισσότερο κοινά διαθέσιμα προϊόντα. Η πραγματική διαφοροποίηση βρίσκεται στην ποιότητα, τη μοναδικότητα και τη συνάφεια των δεδομένων που τα τροφοδοτούν.

Αν όλοι χρησιμοποιούν ίδια εργαλεία, εκπαιδευμένα στα ίδια δημόσια, τρίτων ή ιστορικά δεδομένα, καταλήγουν σε περίπου ίδια συμπεράσματα.

Σκεφτείτε δύο ανταγωνιστικές επιχειρήσεις λιανικής με ίδια πλατφόρμα AI, προβλέψεις αγοράς και ιστορικά δεδομένα ζήτησης. Αν η μία έχει εγκαταστήσει αισθητήρες IoT σε αποθήκες, ρυμουλκούμενα, παλέτες και εξοπλισμό, τροφοδοτεί συνεχώς την AI με δεδομένα πραγματικών συνθηκών: κινήσεις αποθεμάτων, χρόνους παραμονής, αξιοποίηση παγίων, σημεία συμφόρησης και λειτουργικές διαταραχές. Η AI της δεν μαθαίνει μόνο από το προηγούμενο τρίμηνο. Μαθαίνει συνεχώς από όσα συμβαίνουν τώρα στην επιχείρηση.

Με τον χρόνο αυτό συσσωρεύεται σε πραγματικό πλεονέκτημα. Δεν στηρίζεται μόνο σε ιστορικές τάσεις ή δείκτες σύγκρισης τρίτων. Μαθαίνει από τις ίδιες τις λειτουργίες της εταιρείας σε πραγματικό χρόνο, δημιουργώντας πηγή γνώσης που οι ανταγωνιστές δεν μπορούν να αγοράσουν, να συλλέξουν από το διαδίκτυο ή να αναπαραγάγουν.

Όταν αισθητήρες εγκαθίστανται σε στόλους, εγκαταστάσεις, εξοπλισμό και εφοδιαστικές αλυσίδες, ποιες λειτουργικές πληροφορίες μπορούν να αποκτήσουν οι εταιρείες που διαφορετικά θα έχαναν;

Πολλοί οργανισμοί παίρνουν κρίσιμες αποφάσεις χωρίς συνεχή εικόνα των φυσικών λειτουργιών τους. Μπορεί να γνωρίζουν πόσο απόθεμα έχουν ή πότε αναμενόταν μια αποστολή, αλλά συχνά δεν βλέπουν πώς αποδίδουν καθημερινά τα πάγια, ο εξοπλισμός και οι ροές εργασίας.

Με αισθητήρες σε στόλους, εγκαταστάσεις, εξοπλισμό και εφοδιαστικές αλυσίδες, εντοπίζουν συμφόρηση, παρακολουθούν αξιοποίηση παγίων και κινήσεις αποθεμάτων και κατανοούν την επίδραση των πραγματικών συνθηκών στην απόδοση.

Για παράδειγμα, μια επιχείρηση λιανικής μπορεί να ξέρει ότι το απόθεμα έφτασε στο κέντρο διανομής και τελικά παραδόθηκε στο κατάστημα, χωρίς να αντιλαμβάνεται ότι ορισμένες παλέτες μένουν συστηματικά αρκετές επιπλέον ημέρες σε χώρο προσωρινής συγκέντρωσης πριν προχωρήσουν. Χωρίς αισθητήρες, η καθυστέρηση μένει σε μεγάλο βαθμό αόρατη. Με IoT γίνεται μετρήσιμη και αντιμετωπίσιμη: οι ομάδες βρίσκουν τη βασική αιτία, βελτιώνουν τη ροή και μειώνουν προβλήματα διαθεσιμότητας αποθεμάτων.

Πώς διαφέρουν τα δεδομένα IoT από τα παραδοσιακά επιχειρησιακά δεδομένα ως προς την εκπαίδευση, την εξειδικευμένη προσαρμογή ή τη θεμελίωση συστημάτων AI σε πραγματικά στοιχεία;

Τα παραδοσιακά δεδομένα είναι συχνά συναλλακτικά και ιστορικά: καταγράφουν γεγονότα που ήδη συνέβησαν, όπως παραγγελίες, τιμολόγια, εγγραφές αποθεμάτων ή ολοκληρωμένες διαδικασίες. Είναι πολύτιμα, αλλά κυρίως αποτυπώνουν το παρελθόν. Με τις αγορές να κινούνται ταχύτερα από ποτέ, η προηγούμενη περίοδος μπορεί να λέει λίγα για τη σημερινή.

Τα δεδομένα IoT καταγράφουν τι συμβαίνει σε πραγματικό χρόνο. Παρέχουν συνεχή εικόνα θέσης, κίνησης και αξιοποίησης παγίων, περιβαλλοντικών συνθηκών και άλλων λειτουργικών ενδείξεων που συνήθως λείπουν από παραδοσιακά συστήματα.

Για την AI, η διάκριση έχει σημασία. Τα ιστορικά δεδομένα εξηγούν τι συνέβη, ενώ τα δεδομένα IoT προσδιορίζουν τι συμβαίνει τώρα. Ο συνδυασμός θεμελιώνει τα συστήματα AI στην τρέχουσα λειτουργική πραγματικότητα, προσφέροντας ακριβέστερα συμπεράσματα και ταχύτερες, καλύτερα ενημερωμένες αποφάσεις.

Η Digital Matter δίνει έμφαση σε ανθεκτικές συσκευές χαμηλής κατανάλωσης για μακροχρόνια παρακολούθηση παγίων και αισθητήρων. Ποιες είναι οι μεγαλύτερες τεχνικές δυσκολίες για αξιόπιστη παραγωγή δεδομένων επί χρόνια σε σύνθετα περιβάλλοντα;

Οι συσκευές IoT συχνά εγκαθίστανται σε περιβάλλοντα που δύσκολα προβλέπονται και ακόμη δυσκολότερα ελέγχονται. Μία συσκευή μπορεί να περνά χρόνια μετακινούμενη μεταξύ εγκαταστάσεων, οχημάτων, χώρων πελατών, απομακρυσμένων τοποθεσιών και περιοχών με ασταθή συνδεσιμότητα.

Μία από τις μεγαλύτερες προκλήσεις είναι η ισορροπία ανάμεσα στην εικόνα της λειτουργίας και την κατανάλωση ενέργειας. Όσο συχνότερα συλλέγει και μεταδίδει δεδομένα, τόσο περισσότερη ενέργεια χρειάζεται. Ο σχεδιασμός συσκευών που καταγράφουν ευφυώς ουσιαστικά γεγονότα, προσαρμόζονται στις αλλαγές και μεγιστοποιούν την πολυετή διάρκεια μπαταρίας είναι κρίσιμος για αξιόπιστα δεδομένα σε κλίμακα.

Εξίσου σημαντική είναι η αντοχή. Πρέπει να αντέχουν δονήσεις, κρούσεις, μεταβολές θερμοκρασίας, υγρασία και χρόνια καθημερινής χρήσης, με σταθερή απόδοση και ελάχιστη ή καθόλου συντήρηση. Ακόμη και μικρό ποσοστό αστοχίας γίνεται σημαντικό λειτουργικό πρόβλημα σε χιλιάδες ή δεκάδες χιλιάδες συσκευές.

Πώς βοηθά η AI τις εταιρείες να ξεπεράσουν την απλή γνώση της θέσης ενός παγίου και να περάσουν σε πρόβλεψη βλαβών, βελτιστοποίηση διαδρομών, μείωση σπατάλης ή καλύτερη αξιοποίηση;

Η θέση είναι σημαντική, αλλά λέει μόνο μέρος της ιστορίας. Η πραγματική ευκαιρία είναι να κατανοήσουμε πώς χρησιμοποιούνται τα πάγια στον χρόνο και να εντοπίσουμε μοτίβα δύσκολα ορατά με χειροκίνητο έλεγχο. Με συνδυασμό IoT και AI, οι οργανισμοί περνούν από την αντίδραση στα γεγονότα στην πρόβλεψή τους.

Αναλύοντας τάσεις κίνησης, αξιοποίησης, χρόνου παραμονής, περιβαλλοντικών συνθηκών και άλλων λειτουργικών δεδομένων, η AI εντοπίζει ανεπάρκειες, προβλέπει πιθανά προβλήματα και αναδεικνύει ευκαιρίες βελτίωσης. Αυτό οδηγεί σε καλύτερη αξιοποίηση παγίων, αποδοτικότερη λειτουργία, λιγότερη σπατάλη και ταχύτερες αποφάσεις. Η αξία δεν είναι μόνο να ξέρεις πού βρίσκεται κάτι σήμερα, αλλά να χρησιμοποιείς τα δεδομένα του για καλύτερες αποφάσεις σχετικά με το επόμενο βήμα.

Σε κλάδους όπως εφοδιαστική, ψυκτική αλυσίδα, υγεία, κατασκευές ή διαχείριση εξοπλισμού, πού βλέπετε τις ισχυρότερες άμεσες ευκαιρίες συνδυασμού IoT και AI;

Οι ισχυρότερες ευκαιρίες βρίσκονται σε κλάδους με τεράστιους αριθμούς κατανεμημένων παγίων και σύνθετες λειτουργίες. Γι’ αυτό όλοι αυτοί οι κλάδοι ταιριάζουν.

Δεν είναι θεωρητικό. Μεγάλες επιχειρήσεις, από λιανεμπόριο μέχρι κατασκευαστές αυτοκινήτων και βαρέος εξοπλισμού, ήδη εφαρμόζουν τη στρατηγική, γι’ αυτό επενδύουν σημαντικά στο IoT. Τα διοικητικά συμβούλια όλο και λιγότερο ρωτούν αν χρησιμοποιείται AI και περισσότερο από πού προέρχεται η μετρήσιμη αξία. Οι απαντήσεις είναι λειτουργικές: μεγαλύτερη δυναμικότητα διεκπεραίωσης, λιγότερα περιστατικά ποιότητας, περισσότερες έγκαιρες παραδόσεις και καλύτερη εμπειρία πελάτη.

Βραχυπρόθεσμα, η μεγαλύτερη αξία θα προκύψει από καλύτερες λειτουργικές αποφάσεις, αξιοποιώντας καθημερινή δραστηριότητα που οι οργανισμοί ήδη παράγουν αλλά ποτέ δεν μπόρεσαν να καταγράψουν και να αξιοποιήσουν πλήρως.

Καθώς αυξάνονται οι αισθητήρες και οι συνδεδεμένες συσκευές, πώς πρέπει οι εταιρείες να αντιμετωπίζουν ποιότητα δεδομένων, αξιοπιστία σήματος, ασφάλεια και διακυβέρνηση, θεωρώντας τα δεδομένα IoT στρατηγικό πόρο για AI;

Τα μοντέλα AI εξαρτώνται από την ποιότητα των υποκείμενων δεδομένων. Οι οργανισμοί τείνουν να συλλέγουν περισσότερα, αλλά αν είναι ελλιπή, ασυνεπή ή αναξιόπιστα, αντίστοιχα θα είναι και τα συμπεράσματα της AI. Είναι το κλασικό «κακά δεδομένα εισόδου, κακά αποτελέσματα εξόδου», που σε επιχειρησιακή κλίμακα γίνεται ακριβό λάθος.

Γι’ αυτό η ποιότητα πρέπει να είναι προτεραιότητα από την πρώτη ημέρα. Οι οργανισμοί χρειάζονται βεβαιότητα ότι τα δεδομένα συλλέγονται με συνέπεια, μεταδίδονται με ασφάλεια και αποτυπώνουν ακριβώς τον φυσικό κόσμο. Χρειάζονται επίσης σαφή διακυβέρνηση για την προέλευση, τη διαχείριση και την ερμηνεία τους.

Τελικά, η αξία δεν βρίσκεται στην παραγωγή περισσότερων δεδομένων, αλλά στην παραγωγή αξιόπιστων δεδομένων υψηλής ποιότητας που στηρίζουν τη λήψη αποφάσεων.

Ποια βήματα χρειάζονται οι εταιρείες που ήδη διαθέτουν εγκαταστάσεις IoT για να κάνουν τα δεδομένα πιο αξιοποιήσιμα σε εφαρμογές AI;

Πρώτα ξεκινήστε από το επιχειρηματικό πρόβλημα, όχι από την AI. Όταν ο στόχος είναι σαφής, είτε μείωση χρόνου παραμονής, βελτίωση αξιοποίησης είτε περιορισμός απωλειών, εντοπίζονται ευκολότερα τα απαραίτητα δεδομένα, οι ροές και οι δυνατότητες AI. Πολλοί οργανισμοί ήδη συλλέγουν τεράστιες ποσότητες λειτουργικών δεδομένων, αλλά αυτά μένουν σε ασύνδετα συστήματα και δεν φτάνουν ποτέ σε μια απόφαση.

Το δεύτερο βήμα υποτιμάται περισσότερο: η διαχείριση αλλαγών. Οι εφαρμογές μεγάλης κλίμακας σπάνια αποτυγχάνουν εξαιτίας της τεχνολογίας. Αποτυγχάνουν όταν οι άνθρωποι δεν ενεργούν βάσει των δεδομένων. Μια ειδοποίηση ότι ένας χώρος προσωρινής συγκέντρωσης έχει ανεπαρκές απόθεμα προσφέρει αξία μόνο αν κάποιος το μετακινήσει πράγματι εκεί. Η δημιουργία διαδικασιών και συνηθειών που συνδέουν συμπεράσματα και ενέργειες είναι το δυσκολότερο και σημαντικότερο μέρος.

Τελικά επιτυγχάνουν περισσότερο όσοι συνδέουν τα λειτουργικά δεδομένα με μετρήσιμα επιχειρηματικά αποτελέσματα και διασφαλίζουν ότι οι άνθρωποί τους τα χρησιμοποιούν.

Πιστεύετε ότι η ιδιόκτητη λειτουργική γνώση θα γίνει ένας από τους σημαντικότερους παράγοντες που ξεχωρίζουν τους πρωτοπόρους της AI από εταιρείες που απλώς χρησιμοποιούν ίδια εργαλεία με όλους τους άλλους; 

Ναι. Καθώς η AI γίνεται ευρύτερα διαθέσιμη, η τεχνολογία από μόνη της διαφοροποιεί λιγότερο.

Θα ξεχωρίζουν οργανισμοί που παράγουν μοναδική λειτουργική γνώση από το δικό τους περιβάλλον και τη χρησιμοποιούν για καλύτερες αποφάσεις. Σε πολλούς κλάδους, ορισμένες από τις πιο πολύτιμες πληροφορίες βρίσκονται ακόμη στον φυσικό κόσμο, σε πάγια, εξοπλισμό, αποθέματα και εφοδιαστικές αλυσίδες. Ένας ανταγωνιστής δεν μπορεί να τις αγοράσει, να τις συλλέξει διαδικτυακά ή να τις αναπαραγάγει.

Οι εταιρείες που σταθερά καταγράφουν, κατανοούν και αξιοποιούν αυτές τις πληροφορίες θα βρίσκονται σε πολύ ισχυρότερη θέση από όσες βασίζονται αποκλειστικά στα ίδια εργαλεία και σύνολα δεδομένων με όλους τους άλλους.

Ευχαριστούμε για την ενδιαφέρουσα συνέντευξη. Όσοι θέλουν να μάθουν περισσότερα μπορούν να επισκεφθούν τη Digital Matter.